M$^2$PFN：面向阿尔茨海默病可泛化多模态上下文学习的端到端解耦对齐

该论文提出 M$^2$PFN，把在合成表格先验上元训练的 TabPFN 改造成多模态阿尔茨海默病预测器：通过可微推理把任务梯度回传到 3D-MRI 与表格编码器，用解耦和对比目标将两模态对齐到共享子空间，并用可学习门控短路接入冻结的纯表格预测。在 ADNI 的 2240 例三分类任务上取得 65.55% macro-F1 和 82.21% macro-AUC，超过所测单模态与多模态基线。

此前影像与表格结合的多模态方法在跨队列泛化上受限，而 TabPFN 等表格基础模型的上下文学习泛化好，却因元训练先验与影像特征统计结构不匹配而难以直接扩展。该工作把冻结的 ICL 引擎与可训练编码器结合，在保持测试时泛化机制的同时引入影像信息。

核心是让 TabPFN transformer 保持冻结，只在训练时对编码器反向传播任务梯度，使 3D-MRI 和表格编码器输出被塑造成 ICL 引擎可利用的特征；再用解耦与对比损失把两模态压到与表格先验匹配的共享子空间，并以门控短路保留纯表格预测作为兜底。推理时 ICL 机制原样保留，从而兼顾泛化与多模态增益。

对医疗 AI 产品而言，这提示一条低成本路径：不必重训大模型，只需训练前端编码器并冻结基础模型即可接入新模态，降低跨医院、跨队列部署时的重训与验证成本；同一架构替换预测头即可做 MMSE 回归，说明可复用为多任务临床预测组件。

• 在自有影像加表格队列上复用冻结 TabPFN 加可训练编码器范式，先验证跨中心泛化再决定是否投产。
• 把预测头切换为回归器，用于 MMSE 等连续临床评分，评估单架构多任务的复用收益。
• 构建模态对齐与门控短路模块的消融基线，确认多模态增益是否来自对齐而非单纯参数增加。

• OASIS-3 等外部队列的具体泛化指标在给定证据中被截断，尚未确认。
• 65.55% macro-F1 相对临床可用阈值是否足够，证据未提供对比标准。
• 解耦与对比目标的各自贡献缺乏消融数据。
• 代码、权重与数据可获取性未在证据中说明。